.png){kind=icon}
返回
Deterministic Parameter Control Methods for Genetic Algorithms: Benchmarking on Test Functions and Boost Converter Design Optimisation
.png){kind=icon}
OA
AI
DOI：10.3390/app152011093.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
遗传算法（GAs）是进化计算的基础，也是最著名的基于群体的元启发式优化技术之一。它们因其寻找全局解的能力而在工程和优化应用问题中得到广泛应用。标准遗传算法（SGAs）通过计算成本高的试验来确定交叉和变异的概率。而自适应遗传算法（AGAs）则通过在代际间调整参数来改进这一过程。本研究提出了三种确定性参数控制函数ACM1、ACM2和ACM3，用于调节交叉和变异概率。通过使用高级测试函数，对四种确定性GA、一种SGA、两种固定参数GA和一种AGA进行了比较。固定参数配置称为FCM1和FCM2，AGA称为LTA，四种确定性方法称为HAM和ACM1-3。结果表明，SGA对于复杂优化问题大多不适用。LTA表现不一致，在某些函数上失败而在其他函数上成功。ACM2、HAM和FCM2方法高度鲁棒且有效。出乎意料的是，FCM2在小群体规模下表现最佳。然而，在更高维度的问题中，所提出的方法ACM2更优，并在寻找最优解时表现出更低的变异性。这些方法还通过升压转换器实现进行了评估。
Keyword:
genetic algorithms
deterministic parameter control
crossover
mutation
adaptive genetic algorithms
evolutionary computing
optimisation
boost converter
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
A
IF:
2.5
论文数:
7.6K
被引数:
4
机构
引用论文
Modified LSHADE-SPACMA with new mutation strategy and external archive mechanism for numerical optimization and point cloud registration改进的LSHADE-SPACMA算法，结合新的变异策略和外部档案机制，用于数值优化和点云配准
OAAI
OAAI分享收藏Improving the search performance of SHADE using linear population size reduction使用线性种群大小减小来改善SHADE的搜索性能OAAI
OAAI分享收藏LSHADE with semi-parameter adaptation hybrid with CMA-ES for solving CEC 2017 benchmark problems
PREAI
分享收藏Choosing Mutation and Crossover Ratios for Genetic Algorithms—A Review with a New Dynamic Approach遗传算法的变异和交叉比选择 -- 用一种新的动态方法综述.png)
InformationOAAI
InformationIF0
OAAI分享收藏
查看更多内容